IRAFを触ったことがある プログラミングをかじったことがある (Pythonでなくてもよい) 日程進行状況によって変更することもあります 1 日目 13:00-13:30 受付 13:30 - 講習開始世話人の話 ( 計算機の説明ほか ) 13:40-17:00 ( 演習と休憩をはさみながら )

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights Branch: master adc2017python2 / README.md Find file Copy path yas-nakajima Update README.md 74b44be 23 hours ago 1 contributor 68 lines (50 sloc) 5.88 KB Raw Blame History Python+Jupyter notebook による光赤外天文データ解析入門 (2017 年 2 回目 ) IRAFなどでFITSのデータ処理を行い Rなどで統計処理を行い Gnuplotなどで描画する それらの手順を手書きのノートやPCのファイルに書き留める ( あるいは記憶しておくつもりでどんどん忘れていく ) インタラクティブにも行うし スクリプトで一括処理をすることもある これらをPython+Jupyter notebookのエコシステムにまとめてみませんか? その一歩あるいは数歩を踏み出すための講習会です 開催日 : 2017 年 8 月 24 日 ( 木 )-25 日 ( 金 ) 場所 : 国立天文台三鷹キャンパス南棟 2 階共同利用室内容 : Python+Jupyter notebookを用いての光赤外データ ( 撮像 ) 解析の初歩 2017 年 7 月に行った1 回目の内容より変更しています ( より初心者むけ + 演習の時間をより多く ) - 今回の講習を受けたのちに1 回目の資料 (https://github.com/yas-nakajima/adc2017python) を自習することでステップアップできます 概要 : Jupyter notebookの使い方 PythonからIRAFを使う方法 Numpy astropy.io.fits matplotlibなどデータ処理に必要な Pythonモジュールの基本を講習し PyRAFの使い方 撮像データのアパーチャ測光 そのデータ整理 可視化を実習する 対話的なコマンドの使い方からPythonプログラミングの基本までを習得する 対象 : データ処理初心者 資料 (Jupyter notebook 形式のファイル ) をこのサイトで公開しています この内容であれば講習を受けてみたいと思う人なら 学部生からシニアまで誰でも githubの.ipynbファイルのリンクをクリックするとブラウザで閲覧可能 ここの上部のWikiのリンクにjupyter notebookの使い方などの補足説明もあります 講習までに多少の修正 加筆がありますが 本質的な内容に大きく変更はありません この手のものに慣れている人はこの資料だけで自習できちゃうかもしれませんね どうぞご利用ください 必須 Linux/UNIX(Macを含む ) のOSでの基本的な操作 ( ターミナルを開く アプリを立ち上げる...) が可能である Linux/UNIX(Macを含む ) のコマンドラインで ls, cd, more(less), cp, rm, mkdir くらいはできる テキストエディタが使える 望ましい経験など

IRAFを触ったことがある プログラミングをかじったことがある (Pythonでなくてもよい) 日程進行状況によって変更することもあります 1 日目 13:00-13:30 受付 13:30 - 講習開始世話人の話 ( 計算機の説明ほか ) 13:40-17:00 ( 演習と休憩をはさみながら ) Jupyter notebookの使いかた IRAF(PyRAF) 基本 PyRAFでのアパーチャ測光 2 日目 9:30-11:30 ( 演習と休憩をはさみながら ) Numpy 基本 astropy.io.fits 基本 13:00-14:30 ( 演習と休憩をはさみながら ) matplotlib 基本 scriptにまとめる等 14:30-17:00 予備 相談相談とは自分の環境へのインストールに困っているこういうデータ処理 解析をPythonを用いて行いたいが どうしたら良いか? 端末 : 基本的に天文データセンターの端末 (Linux) を使用する 持ち込みノートPCで実習も可 その場合にはあらかじめ必要なソフトをインストールしておくこと Python(3.5), Jupyter notebook, IRAF, PyRAF, Numpy, astropy, matplotlib, ds9 補足 : スタータパック Pythonには多くのライブラリが用意されています 数値計算 データ可視化をはじめ データベース 機械学習など様々なものが利用できます 天文関係だけにしぼったとしても さあ Pythonで天文データ処理を始めよう と思った場合に どれを使えばよいのか どこから始めればよいのか 迷ってしまいます この講習会では光赤外データ ( 撮像 ) 用の スタータパック を提案します 対話的処理とスクリプトによる処理この講習会では ユーザインタフェースとしてJupyter notebookを使い インタラクティブ ( 対話的 ) な処理を通じて処理方法を学びます インタラクティブといっても Jupyter notebookでは一行のコマンド ( でもできますが ) というよりも数行のコマンドからなるCellという単位で処理の入力を行います Cellの中では forループやif 文 関数定義などを使ったプログラミングを行います 対話的に試行錯誤しながら作成したCellを後からまとめてやり.pyという拡張子をもつテキストファイルに保存してやれば 独立したPythonプログラム ( スクリプト ) が出来上がります 対話的なコマンドの使い方だけではなく Pythonプログラミングの基本も学ぶことになります 書き残し共有する Jupyter notebookはユーザインタフェース以上の役割があります Jupyter notebookで行った対話的な処理 ( 入力と出力 ) はファイルとして保存することが可能です メモやコメントも (TeX 形式で数式も ) その中に書き込んで残すことも可能です 日々のデータ処理 解析の足跡をファイルに残しておくことができます データ処理の手順や使ったパラメータなどを未来の自分のために残す 共同研究者あるいは同分野の人たちと情報を共有する そのための強力なツールになります

course0_python 講習 0 --- Python と notebook この講習資料の使い方の説明を兼ねて Python のインデントとモジュールの解説 および notebook の変数読み込みについて解説します Python のインデントとモジュール C 言語などの他のプログラミング言語の経験があれば Python の習得は簡単です ただし いくつか Python に特徴的な事項があります 一番顕著なのは インデント ( 字下げ ) が意味を持つということでしょう for ループの構造を紹介しながら説明します もう一つは モジュールの import とモジュール内の関数の使い方です インデント for ループ C 言語と比べるとずいぶん勝手がちがいます 1. インデントされたブロックが 繰り返される部分です 2. リストの各要素を順番に繰り返し変数に代入して使います In [1]: for i in [0,1,2,3]: print (i) 0 1 2 3 In [2]: sum = 0 for i in range(6): # range() 関数は0から引数の一つ前までの整数を順に返す print (i) sum += i print (sum) 0 1 2 3 4 5 15 モジュールと関数 標準の組み込み関数 (print() range() open() など ) をのぞいて 関数を使用する際には 親となるモジュールを import する必要があります math モジュールの sqrt() 関数を使う場合には次のようにします 1 of 2

course0_python In [3]: import math In [4]: math.sqrt(30) Out[4]: 5.477225575051661. を の と読んで math( モジュール ). ( の ) sqrt() とコマンドします In [5]: math.pi Out[5]: 3.141592653589793 In [6]: a = math.e In [7]: print (a) 2.718281828459045 関数だけではなく 定数も含まれています notebook の変数の読み込み この ipynb ファイルを開いてすぐに このすぐ上の print(a) のセルを実行 ([Shift]+[enter]) してみてください エラーがでます a なんて定義されていない と言われちゃいます ファイルを開いただけでは.ipynb の中の文字列が表示されただけなのです 変数の読み込み モジュールの import などはちゃんと実行してやらないといけません 講習では 話を聞きながら 資料をなぞる感じで 一つづつ Cell を実行していってはいかがでしょうか? 面倒な場合には 上部のメニューバーの Cell > Run All を選ぶと ノートブック内の Cell が上から順番に全て実行されます ただし 講習 1 では ds9 を立ち上げて そこに画像を表示させて という対話的な部分があるので そのような場合には Run All は途中で止まってしまいます 2 of 2

course1_iraf_1 講習 1 --- IRAF を使ってみる 旧来の IRAF の操作は ターミナルから CL コマンドラインを使って対話的に行うものです この対話的な操作を python + Jupyter notebook を使っても行うことができます ここでは IRAF の基本的なタスク display, imexam, imstat を使ってみます pyraf のための準備 python から IRAF を使うには pyraf を利用します pyraf を ( 便利に ) 使うためには ホームディレクトリに iraf というディレクトリを作成そのディレクトリ内で mkiraf を実行し login.cl を作成必要に応じてその login.cl を編集 ( 今回のサンプルデータの場合 26 行目あたりの '#set stdimage = imt800' を 'set stdimage = imt4096' にしておくとよいでしょう 冒頭の # を取り除き 800 を 4096 に ) をしておきます こうしておくと login.cl での設定が pyraf 利用時に反映されます また ~/iraf/uparm/ に各タスク (imexam, imstat など ) のパラメータが保存されます 補足 : ~/.iraf/login.cl がある場合には そちらの設定が使用されます 自分のホームディレクトリに IRAF をローカルインストールした場合 ~/.iraf というディレクトリが作成されます ~/iraf/login.cl を編集したのに それが反映されない場合は ~/.iraf/login.cl を調べてみてください モジュールの読み込み In [1]: from pyraf import iraf これで iraf のタスクを python で関数として使うことができます (IRAF の外部パッケージ stsdas がきちんとインストールされていない場合 'Warning : sscanf library not installed on... ' がでます とりあえず無視してください ) 1 of 5

course1_iraf_1 サンプルデータ サンプルデータとして すばる Suprime Cam で取得したデータを使います (SMOKA で公開されているデータです ) 同じディレクトリの data1 および data2 の中の FITS ファイルです この講習では 2004-06-21 の観測データの一部を利用します フィルターは B バンドで ドームフラットおよび二種類のターゲットの生データです Suprime Cam は 10 枚の CCD から成ります ファイル名 ( 拡張子除く ) の末尾の数字が CCD の番号を示しています data1 には 5 番フレーム data2 には 2 番フレームのデータがあります 例えば data1/supa00317705.fits と data2/supa00317702.fits は同じ積分のそれぞれ 5 番フレームと 2 番フレームのデータです 講習のなかでは主に 5 番フレームを用いて説明をします 演習の中で 2 番フレームを使うことがあります FITSファイル OBJECT フィルター積分時間 ( 秒 ) data1/supa003175[0-6]5.fits ドームフラット B 10 data1/supa00317705.fits target1 B 10 data1/supa00317885.fits target2 B 30 data2/supa003175[0-6]2.fits ドームフラット B 10 data2/supa00317702.fits target1 B 10 data2/supa00317882.fits target2 B 30 <img src='./img/supa0031770x.png', width='500'> Unix コマンド Unix コマンドを使い カレントディレクトリおよびその中身を確認することができます In [2]: Out[2]: pwd '/Users/nakajima/git/adc2017python2' In [3]: ls data1 SUPA00317505.fits SUPA00317535.fits SUPA00317565.fits SUPA00317515.fits SUPA00317545.fits SUPA00317705.fits SUPA00317525.fits SUPA00317555.fits SUPA00317885.fits いくつかの Unix コマンドは このように jupyter notebook で直接使えます 使えないものもあります その場合! を冒頭につけて使用してやります In [6]:! date 2017 年 8 月 21 日月曜日 10 時 01 分 36 秒 JST それでは IRAF のコマンド display, imexam, imstat を使って それらファイルの表示やデータの吟味 統計量の測定をしてみましょう 2 of 5

course1_iraf_1 DS9 に FITS データを表示してみる 別のターミナルから ds9 を立ち上げておきます iraf モジュールの display() 関数を使い 引数としてファイルを指定します target1 の 5 番フレームを表示してみます In [7]: iraf.display('data1/supa00317705.fits') z1=10012.29 z2=10105.81 ds9 に 星がいくつか写っている視野が表示されましたね (FAQ ~/iraf/login.cl で set stdimage = imt800 のままだと視野の中心付近の 800x800 の領域しか表示されません ) imexam ds9 に FITS 画像を表示した状態で 次のコマンドを実行し マウスカーソルを 星のないところにあてて m あるいは星にあてて a や r をタイプしてみましょう 終わるときには q をタイプしてください m は カウスカーソルを当てた部分の 5x5 ピクセルの範囲のカウント値の統計を表示します バックグラウンドの値 ばらつきなどを調べるときに使います a は 星 ( 点光源 ) の特徴量 ( ピーク値 fwhm など ) を表示します r は 星の radial profile を表示します 星がサチっていれば一目でわかります In [8]: iraf.imexam() # SECTION NPIX MEAN MEDIAN STDDEV MIN MAX [1170:1174,1963:1967] 25 10060. 10057. 14.95 10041. 10115. # COL LINE COORDINATES # R MAG FLUX SKY PEAK E PA BETA ENCLOSED MOFFAT DIRECT 1238.67 1913.38 1238.67 1913.38 21.61 13.08 58358. 10059. 868. 0.04 22 3.00 7.18 7.20 7.20 21.61 13.08 58358. 10059. 868. 0.04 22 3.00 7.18 7.20 7.20 imexam では r とか e コマンドを使うとさらに別のグラフィックウィンドウが現れます ブラウザとかの後ろに隠れているかもしれません imstat FITS 画像の統計量を調べるタスク imstat を使ってみましょう In [9]: iraf.imstat.unlearn() # パラメータをデフォルト値に In [10]: iraf.imstat('data1/supa00317705.fits') # IMAGE NPIX MEAN STDDEV MIN MAX data1/supa00317705.fits 8528000 10059. 108.3 9911. 43932. 3 of 5

course1_iraf_1 epar でパラメータ設定 iraf.epar(' タスク名 ') で パラメータ設定の画面が別ウィンドウで開きます GUI でパラメータ設定ができます (2017-07 MacOS Sierra + Python3.5.3 + Jupyter Notebook では iraf.epar('display') などで UnicodeDecodeError が生じる ) In [11]: iraf.epar('imstat') Task imstatistics is running... # MIDPT MEAN STDDEV 10058. 10059. 108.3 このように GUI でもパラメータ設定ができるのですが ここでは次の方法をおすすめします 変数としてパラメータ設定 Cell でタスクの変数にパラメータを代入してやります この方法だと 使ったパラメータがこのノートブックに残るので あとになって この処理でどんなパラメータ使ったっけ? となったときに助けになります In [12]: iraf.imstat.fields = 'midpt, mean, stddev' iraf.imstat.lower = 9950 iraf.imstat.upper = 11000 In [13]: iraf.imstat('data1/supa00317705.fits') # MIDPT MEAN STDDEV 10058. 10058. 15.38 どんな値がパラメータに入っているかを確認するには それを print() してやればよいです In [14]: print (iraf.imstat.fields) midpt, mean, stddev 結果の値を変数へ 上では imstat() の結果が標準出力に表示されました それぞれの値を変数に保存するには次のようにします 4 of 5

course1_iraf_1 In [15]: out = iraf.imstat('data1/supa00317705.fits', format='no', Stdout=1) # format='no' でヘッダ行非表示 Stdout=1 で戻り値を返す v = out[0].split() # 戻り値はリスト median = float(v[0]) # 文字列をfloatに変換しておく mean = float(v[1]) stddev = float(v[2]) print (median) print (mean) print (stddev) print (median + 3 * stddev) # float に変換しておかないとここでおかしなことになる 10058.02 10057.7 15.38449 10104.17347 デフォルトでは Stdout=0 なので標準出力に値が返ります 戻り値を変数として返す場合には Stdout=1 とします help ドキュメント このノートブック内で help を読むこともできます help の表示が縦に長すぎる場合 左の余白部分 (In[]: の下あたり ) をクリックするとスクロールバーつきウインドウ表示になります ( 私の環境でブラウザ Chrome の場合にはデフォルトでスクロールバー表示されます ) In [16]: #iraf.help('imstat') # Github では表示が長くなってしまうのでコメントアウトしておきます 演習 1 data1/supa00317885.fits は target2 の生データです 新しいノートブックファイルを作成し 1. imexam でバックグラウンドの値とばらつき 星の特徴量 を調べる 2. imstat でカウント値の median, mean, standard deviation を求める 3. imstat の nclip を 2 以上にしてみてください どうなりましたか? 5 of 5

course2_iraf_2 講習 2 --- IRAF で 1 次処理 IRAF のタスクを使って 1 次処理 ( 生データからバイアスを引き それをフラットで割る ) を行ってみましょう ここでは IRAF の基本タスク imarith, imcombine を使います ドームフラットでターゲットのフレームをフラット処理する ( 簡易版 ) 講習 1 で扱った './data1/supa00317705.fits' は target1 を観測した生データです これを バイアス値を引いたあとに フラットで割ることで CCD の感度ムラと光学系の透過率のムラを補正します 視野全体で一様な強度で光っている ( と考えている ) ものを観測してフラットを作成します ( 最近の )CCD ではダークを生データから引くことはしません ( 地上観測の近赤外アレイでは ダークを引いてフラットで割り スカイバイアスを引くという処理が必要になります ) まず このフラットを作成する必要があります ドームフラットの生データからバイアス値を引いたのちに規格化 ( メジアン値で割る ) してフラットを作成します もし CCD の感度ムラがなく 光学系の透過率も完全に一様であれば フラットは全てのピクセルで 1.0 の値をもちます でもそんなことはまずあり得ません 通常は複数のフラットの平均から より尤もらしいフラットを作成します 下ではまず ドームフラット 1 枚だけからフラット作成します imstat と imarith を使用します 次に ドームフラット 7 枚からフラット作成します imcombine を使用します ドームフラット 1 枚だけを使う './data1/supa00317505.fits' はドームフラットの B バンドの生データです CCD のフレームには 観測した光に加えて X 方向に一様なバイアス値が加算されています この簡易版の処理では そのバイアス値が Y 方向にも一様として処理をします ( のちに Y 方向の依存も考慮に入れた手法を紹介します ) そのバイアス値をオーバースキャン領域から推定します Suprime Cam の 5 番フレームでは 2049 列目あたりから右側がオーバースキャン領域です In [2]: from pyraf import iraf In [3]: iraf.unlearn('imstat') iraf.imstat.fields = 'midpt, mean, stddev' iraf.imstat.nclip = 3 In [4]: iraf.imstat('./data1/supa00317505.fits[2049:2080, *]') # MIDPT MEAN STDDEV 9984. 9984. 5.046 ドームフラットの光があたっている部分のメジアンを求めておきます In [5]: iraf.imstat('./data1/supa00317505.fits[1:2048, *]') # MIDPT MEAN STDDEV 18933. 18928. 210.1 imarith の出番です バイアス値を引いてから メジアン値で規格化してフラットを作成しましょう In [6]: iraf.imarith('./data1/supa00317505.fits', '-', 9984, 'bflatn5a.fits') iraf.imarith('bflatn5a.fits', '/', 8949, 'bflatn5a.fits') # 18933-9984 = 8949 1 of 6

course2_iraf_2 このフラットでターゲットの生データを割ります このときも まず 生データからバイアス値を引きます In [7]: iraf.imstat('./data1/supa00317705.fits[2049:2080, *]') # MIDPT MEAN STDDEV 9989. 9989. 4.841 In [8]: iraf.imarith('./data1/supa00317705.fits', '-', 9989, 'btarget1n5a.fits') iraf.imarith('btarget1n5a.fits', '/', 'bflatn5a.fits', 'btarget1n5a.fits') これでできました btarget1n5a.fits を ds9 で表示して確かめてみましょう ドームフラット 7 枚を使う iraf.imcombine の出番です './data1/supa003175[0-6]5.fits' は B バンドのドームフラットです In [9]: import glob # python の組み込みモジュール ワイルドカードを使ったファイル処理など In [10]: flist = glob.glob('./data1/supa003175[0-6]5.fits') In [11]: print(flist) ['./data1/supa00317505.fits', './data1/supa00317515.fits', './data1/supa0031752 5.fits', './data1/supa00317535.fits', './data1/supa00317545.fits', './data1/sup A00317555.fits', './data1/supa00317565.fits'] for ループを使って このリストからファイルを一つづつ imstat に入力します In [12]: for img in flist: iraf.imstat(img + '[2049:2080, *]') # MIDPT MEAN STDDEV 9984. 9984. 5.046 # MIDPT MEAN STDDEV 9983. 9983. 5.039 # MIDPT MEAN STDDEV 9983. 9983. 5.036 # MIDPT MEAN STDDEV 9983. 9983. 5.032 # MIDPT MEAN STDDEV 9983. 9983. 5.038 # MIDPT MEAN STDDEV 9983. 9983. 5.056 # MIDPT MEAN STDDEV 9983. 9983. 5.071 上では glob.glob で抽出したリストをいったん変数に代入しましたが 以下のように直接 for ループに入れても大丈夫です 2 of 6

course2_iraf_2 In [13]: iraf.imstat.fields = 'midpt' # どうせメジアンしか使わない for img in glob.glob('./data1/supa003175[0-6]5.fits'): out1 = iraf.imstat(img + '[2049:2080, *]', format='no', Stdout=1) out2 = iraf.imstat(img + '[1:2048, *]', format='no', Stdout=1) print (out1, out2) ['9983.81'] ['18932.82'] ['9983.021'] ['18950.5'] ['9982.991'] ['18963.1'] ['9983.005'] ['19029.06'] ['9982.896'] ['18995.43'] ['9982.938'] ['18935.77'] ['9982.917'] ['18969.67'] out1, out2 は それぞれ 1 つしか要素を持たないリストとして得られました 下のように リストの最初の要素を抽出することで値を得ることができます ただし 文字列です In [14]: Out[14]: out1[0] '9982.917' float() 関数で数値 ( 浮動小数点数 ) に変換してやります In [15]: float(out1[0]) Out[15]: 9982.917 それでは 各ドームフラットからフラットを作成し それらをメジアンでコンバインします 3 of 6

course2_iraf_2 In [16]: iraf.imstat.fields = 'midpt' num = 0 comstr = '' for img in glob.glob('./data1/supa003175[0-6]5.fits'): out1 = iraf.imstat(img + '[2049:2080, *]', format='no', Stdout=1) # オーバースキャン領域 out2 = iraf.imstat(img + '[1:2048, *]', format='no', Stdout=1) # 光のあたってる領域 med1 = float(out1[0]) # 文字列を数値に変換 med2 = float(out2[0]) nflat = 'tmp' + str(num) + '.fits' # それぞれのフラットを作成 iraf.imarith(img, '-', med1, nflat) # バイアス値をひく iraf.imarith(nflat, '/', med2 - med1, nflat) # バイアスを考慮して規格化 num += 1 comstr += nflat + ',' # imcombine の引数として与えるための文字列 print (comstr) 示 # なぜ下で comstr[:-1] と 末尾の一文字を削除するか理解するためにあえて表 iraf.imcombine(comstr[:-1], 'bflatn5.fits', combine='median') iraf.imdelete(comstr[:-1]) # 中間ファイルを削除 お掃除お掃除 tmp0.fits,tmp1.fits,tmp2.fits,tmp3.fits,tmp4.fits,tmp5.fits,tmp6.fits, Aug 21 13:22: IMCOMBINE combine = median, scale = none, zero = none, weight = none blank = 0. Images tmp0.fits tmp1.fits tmp2.fits tmp3.fits tmp4.fits tmp5.fits tmp6.fits Output image = bflatn5.fits, ncombine = 7 これでドームフラットを 7 枚使ったフラットができました 生データをこれで処理してやります In [17]: iraf.imarith('./data1/supa00317705.fits', '-', 9989, 'btarget1n5.fits') iraf.imarith('btarget1n5.fits', '/', 'bflatn5.fits', 'btarget1n5.fits') 4 of 6

course2_iraf_2 演習 2 2-1. 別ターゲット target2 を観測した './data1/supa00317885.fits' について バイアス引き + フラット割りの処理をしましょう これは 5 番フレームです フィルターも同じ B バンドなので フラット割りには 'bflatn5.fits' が使えます この結果のフレームを 'btarget2n5.fits' と呼ぶことにします ( 後の演習で利用します ) 2-2. './data1/supa00317705.fits' と同じ観測の 2 番フレームの生データ './data2/supa00317702.fits' について バイアス引き + フラット割りの処理をしましょう 先ほどの 5 番フレームとは違い これは 2 番フレームなので 2 番フレームのためのフラットを作成する必要があります (1) './data2/supa00317502.fits' を規格化したものをフラットとして作成する (1 枚フラット ) (2) './data2/supa003175[0-6]2.fits' から平均のフラットを作成する (3) 上のどちらか ( あるいは両方 ) のフラットを使って バイアス引き後のフラット割りを行う 注意 : 2 番フレームはオーバースキャン領域が 5 番とは異なる 補足バイアス値の Y 方向依存も考慮に入れる 今回使用するフラットでは 0.1 x 数パーセントの違いしかありませんが Y 方向の依存も考慮に入れた方法を紹介しておきます ドームフラットのデータを 1 枚だけ使うケースを例にします iraf の blkavg を使って オーバースキャン領域の各 line の算術平均を求めます ( 本当はメジアンがよいが ) In [18]: iraf.blkavg('./data1/supa00317505.fits[2049:2080, *]', 'bias1.fits', 32, 1) bias1.fits はサイズが (1,4100) の 1 次元データです これを X 方向に 2080 倍のばします In [19]: iraf.blkrep('bias1.fits', 'bias2.fits', 2080) このバイアスを生データから引いてやります In [20]: iraf.imarith('./data1/supa00317505.fits', '-', 'bias2.fits', 'bflatn5by.fits' ) In [21]: iraf.imstat('bflatn5by.fits[1:2048, *]', fields='midpt') # MIDPT 8957. In [22]: iraf.imarith('bflatn5by.fits', '/', 8957, 'bflatn5by.fits') バイアスの Y 方向依存も考慮に入れたフラットができました 次にターゲットのフレームをフラットで割ります ここでもバイアス値の Y 方向依存を考慮にいれます 5 of 6

course2_iraf_2 In [23]: iraf.blkavg('./data1/supa00317705.fits[2049:2080, *]', 'bias1t.fits', 32, 1) iraf.blkrep('bias1t.fits', 'bias2t.fits', 2080) iraf.imarith('./data1/supa00317705.fits', '-', 'bias2t.fits', 'btarget1n5by.f its') iraf.imarith('btarget1n5by.fits', '/', 'bflatn5by.fits', 'btarget1n5by.fits') 6 of 6

course3_iraf_3 講習 3 --- 星の測光 点光源の明るさを測定してみます ここでは IRAF の APPHOT を用いて アパーチャ測光を行います 準備のトリミング 講習 2 で作成した btarget1n5.fits をトリミングして オーバースキャン領域など不要な部分を除いておきます ( 左端に明るい部分が見られます これは何らかのバイアスがのっているものと思われるのでここ (25 列目まで ) も除きます ) In [1]: from pyraf import iraf In [2]: iraf.imcopy('btarget1n5.fits[25:2048, *]', 'btarget1n5trim.fits') btarget1n5.fits[25:2048,*] -> btarget1n5trim.fits パラメータ設定 iraf.apphot 関連のタスクのためのパラメータを適切に設定する必要があります 準備 星のサイズ (fwhm) を求めておく背景のレベルとばらつきをもとめておく ds9 を立ち上げておき iraf.display と iraf.imexam で星の fwhm を調べておきます このあとの作業では 'btarget1n5trim.fits' に対して繰り返し処理をおこなうので In [3]: targetfits = 'btarget1n5trim.fits' とファイル名を変数に代入しておきます In [4]: iraf.display(targetfits) z1=28.35372 z2=115.3357 In [5]: iraf.imexam() # COL LINE COORDINATES # R MAG FLUX SKY PEAK E PA BETA ENCLOSED MOFFAT DIRECT 1394.04 921.73 1394.04 921.73 20.88 13.07 58984. 69.29 882.7 0.03 62 4.67 6.90 7.07 6.96 1384.47 706.26 1384.47 706.26 21.55 12.25 125778. 69.22 1827. 0.03 9 15.8 6.97 7.37 7.18 411.91 1136.10 411.91 1136.10 21.58 12.33 116908. 69.13 1629. 0.06 23 4.76 7.20 7.66 7.19 1 of 6

course3_iraf_3 fwhm=7.0 pixel としておきます 次に背景の median とノイズの評価をします In [6]: iraf.unlearn('imstat') iraf.imstat.fields = 'midpt, mean, stddev' iraf.imstat.nclip = 3 In [7]: iraf.imstat(targetfits) # MIDPT MEAN STDDEV 68.84 69.1 7.368 メジアンは 69 でノイズは 7.4 とします パラメータの設定 apphot モジュールを import します In [8]: from iraf import apphot login.cl の記載内容によっては from iraf import noao from iraf import digiphot も必要かもしれません 次に 測光に必要なパラメータを設定します パラメータ設定の参考にした文献は "A Reference Guide to the IRAF/DAOPHOT Package" です http://iraf.noao.edu/docs/photom.html (http://iraf.noao.edu/docs/photom.html) からダウンロード (daorefman.pdf) できます 2 of 6

course3_iraf_3 In [9]: med = 69. # 背景レベルとばらつき fwhm std = 7.4 fwhm = 7.0 iraf.apphot.unlearn() # デフォルト値に戻しておく iraf.apphot.datapars.datamax = 50000 # サチった星を数えない iraf.apphot.datapars.readnoise = 10 # 検出器に特有な値 iraf.apphot.datapars.epadu = 2.5 # 検出器に特有な値 iraf.apphot.datapars.itime = 10 # 積分時間 iraf.apphot.findpars.threshold = 7 iraf.apphot.findpars.sharphi = 0.8 # 7シグマ以上のものを検出せよ # 星っぽくないものを除くため # fwhm で決まるパラメータ iraf.apphot.datapars.fwhmpsf = fwhm iraf.apphot.centerpars.cbox = max(5.0, fwhm) iraf.apphot.fitskypars.annulus = 3 * fwhm iraf.apphot.photpars.apertures = 2 * fwhm iraf.apphot.fitskypars.dannulus = 10. # 背景のレベルとばらつきで決まるパラメータ iraf.apphot.datapars.sigma = std iraf.apphot.datapars.datamin = med - 5 * std iraf.apphot.photpars.zmag = 27 # 等級のゼロ点 # IRAF と対話的 ( 確認など ) に行わないための設定 iraf.apphot.daofind.interac = 'no' iraf.apphot.daofind.verify = 'no' iraf.apphot.phot.interactive = 'no' iraf.apphot.phot.verify = 'no' iraf.apphot.phot.verbose = 'no' まずは iraf.daofind() で星を検出させます In [10]: iraf.daofind(targetfits, output='out1.coo') どれが星として検出されたか FITS 上にプロットしてみましょう ( 線が細いので半径を 3 つ指定することで 3 つのマルを描く ) In [11]: iraf.tvmark('1', 'out1.coo', mark='circle', radii='15,16,17', color=207) In [13]: #iraf.help('tvmark') 星じゃないものも検出されちゃってますが ここでは気にせず daofind の出力の 'out.coo' を iraf.phot() に読み込ませて測光します In [14]: iraf.phot(targetfits, coords='out1.coo', output='out1.mag') 3 of 6

course3_iraf_3 最初の引数は 測光する対象の FITS ファイル名です coords= で読み込ませる座標ファイルの名前 output= で結果を書き出すファイル名を指定します 結果のファイルは iraf.phot() 固有の形式で書き出されています In [15]: #cat 'out1.mag' # github では長くなるのでコメントアウトしておきます 通常 必要なのは xcenter, ycenter, mag, merr です iraf.txdump() を使って それらだけを抜き出します In [16]: iraf.txdump('out1.mag', fields='xc,yc,mag,merr') 1384.487 706.380 16.778 0.003 1394.061 921.854 17.593 0.005 724.860 986.570 15.692 0.001 412.063 1136.186 16.854 0.003 1256.533 1254.923 19.872 0.032 1614.107 1296.000 24.509 2.293 1.975 1563.123 INDEF INDEF 325.259 1710.853 20.233 0.047 295.760 1891.867 INDEF INDEF 1214.740 1913.393 17.615 0.005 164.208 2090.797 20.722 0.073 1519.869 2131.413 19.975 0.035 755.494 2207.461 20.578 0.061 1609.915 2403.143 17.285 0.004 888.608 2443.525 21.548 0.153 400.753 2577.342 INDEF INDEF 2008.147 2638.538 16.281 0.002 782.873 2801.123 18.178 0.008 1781.279 2834.660 18.671 0.012 261.980 2855.986 13.514 0.000 1841.312 2952.747 20.019 0.040 687.466 3180.978 13.860 0.001 752.111 3381.985 15.486 0.001 1741.726 4037.847 21.283 0.124 1333.792 4043.156 13.562 0.000 1791.647 4044.367 18.121 0.008 650.189 4085.125 19.898 0.038 INDEF なんてのもあります これは たまたまバッドピクセルが測光領域に含まれていた 視野の端である あるいは サチった星などです 測光誤差を ( 例えば )0.2 等以下のものだけに絞ることで INDEF のものも削除できます 誤検出のものもここで削除できます 4 of 6

course3_iraf_3 In [17]: iraf.txdump('out1.mag', fields='xc,yc,mag,merr', expr='merr<0.2') 1384.487 706.380 16.778 0.003 1394.061 921.854 17.593 0.005 724.860 986.570 15.692 0.001 412.063 1136.186 16.854 0.003 1256.533 1254.923 19.872 0.032 325.259 1710.853 20.233 0.047 1214.740 1913.393 17.615 0.005 164.208 2090.797 20.722 0.073 1519.869 2131.413 19.975 0.035 755.494 2207.461 20.578 0.061 1609.915 2403.143 17.285 0.004 888.608 2443.525 21.548 0.153 2008.147 2638.538 16.281 0.002 782.873 2801.123 18.178 0.008 1781.279 2834.660 18.671 0.012 261.980 2855.986 13.514 0.000 1841.312 2952.747 20.019 0.040 687.466 3180.978 13.860 0.001 752.111 3381.985 15.486 0.001 1741.726 4037.847 21.283 0.124 1333.792 4043.156 13.562 0.000 1791.647 4044.367 18.121 0.008 650.189 4085.125 19.898 0.038 Stdout='' でファイル名を指定すると そのファイルに書き出してくれます In [18]: iraf.txdump('out1.mag', fields='xc,yc,mag,merr', expr='merr<0.2', Stdout='resu lt1.txt') これで 星の機械等級がもとまりました 5 of 6

course3_iraf_3 測光値の較正 ここで求まったものは 機械等級です 等級のゼロ点を適当に設定したものです どうやって本当の等級に直せば良いでしょうか 実は この視野には標準星が写っています Landolt(1992) のカタログの標準星のうち以下が写っています <img src='./img/sa104.png', width='200'> 標準星 カタログB 等級 ( エラー ) 上記結果 ( 機械等級 ) 3 列 - 2 列カタログB-V 測定回数 ( カタログ ) SA104-330 15.894 (0.029) 17.593 (0.005) 1.699 0.594 15 SA104-334 13.998 (0.006) 15.692 (0.001) 1.694 0.518 24 SA104-335 12.292 (0.010) 13.860 (0.001) 1.568 0.622 4 SA104-336 15.230 (0.010) 16.854 (0.003) 1.624 0.830 14 SA104-L2 16.700 (0.033) 18.178 (0.008) 1.478 0.650 4 3 列 - 2 列 の等級較正値にはばらつきがあります Landolt カタログで測定回数が 10 回以下のものは ここでは 信頼性が低いとして採用しないことにします ( それでもなお SA104-336 は SA104-330 および SA104-334 と比べて 0.07 等も較正値が異なります これは SA104-336 の B-V の値が他の 2 つと比べて大きいので カラー変換の影響を考慮にいれなければいけないのかもしれません ) 結果として 較正値の平均は 1.672 等 標準偏差は 0.03 等となりました 従って result.txt の等級から 1.672 を引き 等級エラーには 0.03 等の誤差伝搬を加えておけばよいことになります In [19]: import math with open('result1c.txt', 'w') as fout: # result_c.txtを書き出し先ファイルとする with open('result1.txt') as fin: # result.txtを開く for line in fin: # 1 行づつ読み込み v = line.rstrip().split() # rstrip() で改行コードを削除し split() で空白文字で行を分割 mag = float(v[2]) - 1.672 # 等級は3 列目なので それをfloatに変換して1.6 72を引く merr = math.sqrt(float(v[3])**2 + 0.03**2) print (v[0], v[1], mag, merr, file=fout) # 書き出し 次の講習でとりあげる numpy を使うと 上のテキストファイル (result.txt) の読み出し 計算 書き出しのプログラムが非常に簡単になります 演習 3 演習 2-1 で処理をした 'btarget2n5.fits' で測光をしてみましょう このときも オーバースキャン領域などの不要な部分を削除して行いましょう 'btarget2n5.fits' の視野の中には測光標準星は写っていません ただし 上の target1 と近い時間に観測したデータですので 等級ゼロ点は同じだと仮定し 上と同じ較正値 (1.672) を使ってください 6 of 6

course4_numpy 講習 4 --- Numpy の基本 この次に IRAF を使わずに FITS ファイルの処理をする方法を扱いますが その準備として Numpy の基本を知っておきましょう Numpy は 数値計算を効率よく処理するためのサードパーティモジュールです 特に 多次元配列を取り扱う際に処理速度が速くなり コードの表記も効率的になります python の標準の配列であるリスト型では処理が遅いため 科学計算では Numpy の ndarray という多次元配列のデータ型を使います Numpy はサードパーティモジュールですが 科学計算では標準的に使われます このあと紹介する astropy.io.fits および matplotlib でも この ndarray を採用しています 以下 ndarray の基本について説明し numpy の基本的で使える関数について説明します リスト型 まずは python の標準のリスト型を見てみましょう In [1]: a = [1, 2, 3, 4] b = [10, 20, 30, 40] + 演算子はリストとリストの結合になります * 演算子はリストの繰り返しを作成します In [2]: a + b Out[2]: [1, 2, 3, 4, 10, 20, 30, 40] In [3]: a * 4 Out[3]: [1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4] ベクトル的に演算したい場合には 下のように for ループを回して各要素を取り出してから演算をする必要があります In [4]: n = len(a) c = [0] * n for i in range(n): c[i] = a[i] + b[i] c Out[4]: [11, 22, 33, 44] In [5]: print (c) [11, 22, 33, 44] Numpy の ndarray Numpy ではもっとすっきりした処理 ベクトル処理 ができます 処理速度も速いです In [6]: import numpy as np # 一般的に np と省略される 1 of 8

course4_numpy numpy.array() 関数を使って python のリストを ndarray に変換します In [7]: an = np.array(a) bn = np.array(b) In [8]: cn = an + bn cn Out[8]: array([11, 22, 33, 44]) In [9]: print (cn) [11 22 33 44] In [10]: an * 4 Out[10]: array([ 4, 8, 12, 16]) 部分のとりだし ~ スライシング ( 直前追加分 ) ndarray の一部分だけを取り出す場合には スライシングをしてやります In [11]: myarr = np.array([[7, 3, 8], [13, 11, 16], [105, 121, 153]]) In [12]: myarr Out[12]: array([[ 7, 3, 8], [ 13, 11, 16], [105, 121, 153]]) 1 番目のインデックスは全部で 2 番目のインデックスは 1 以上のものを取り出す場合には In [13]: myarr[:, 1:] Out[13]: array([[ 3, 8], [ 11, 16], [121, 153]]) 2 番目のインデックスも 1 以上のものを取り出す場合にはさらに In [14]: myarr[1:, 1:] Out[14]: array([[ 11, 16], [121, 153]]) 次の講習で FITS の一部分を取り出す場合に使います 2 of 8

course4_numpy numpy の関数 (1) ~ 基本 + いくつか numpy で用意されている関数は数多くあります cell の中で np. とタイプしてタブキーを押すと候補が表示されます あるいは np.m でタブキーを押すと m で始まる関数の候補が表示されます In [15]: np.max(cn), np.min(cn), np.mean(cn) Out[15]: (44, 11, 27.5) numpy.where() 天文のデータ処理では ( でなくても?) 次の numpy.where( ) が便利です バッドマスク処理や外れ値の除外に使えます In [16]: dn = np.array([1, 1, 3, 1, 1]) np.where( ) 関数は ( ) 内の条件を満たす要素の index を返します 下の例では 2 以上の値をとる要素に -99 を代入するという意味です In [17]: dn[np.where(dn > 2)] = -99 In [18]: dn Out[18]: array([ 1, 1, -99, 1, 1]) 次の講習で 3 シグマクリップを使うときに登場します numpy.zeros( ) 下のように numpy.zeros( ) を使って 全要素が 0 の 5 x 5 の二次元配列を作成することができます In [19]: data = np.zeros((5, 5)) In [20]: data Out[20]: array([[ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.]]) In [21]: data[0, 1] = 2 # [0, 1] の要素に 2 を代入する numpy に限らず python では index は 0 から始まります C 言語と同じです 3 of 8

course4_numpy In [22]: data Out[22]: array([[ 0., 2., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.]]) この data の表示を見て気づいたかとも思いますが 左下を原点とした二次元画像としたときに ndarray では (y, x) のように x と y の index を逆にして要素が格納されます 後で astropy.io.fits のところでも再び触れます numpy の関数 (2) ~ 画像重ね合わせの準備 IRAF の imcombine を使わずに astropy.io.fits + numpy で重ね合せる ( つまり 複数画像の各ピクセルでの average や median を求めて combine をする ) ための準備として numpy.stack(), numpy.average(), numpy.median() などを紹介します 1 次元 まずは 1 次元配列で見てみましょう 3 つの 1 次元配列 a, b, c があるとき In [23]: a1 = np.array([1, 2, 3]) b1 = np.array([2, 3, 4]) c1 = np.array([2, 2, 5]) numpy.stack() 関数を使うことでこれらをまとめて一つ次元の高い配列にする ( スタックする ) ことができます In [24]: s1 = np.stack((a1, b1, c1)) In [25]: s1 Out[25]: array([[1, 2, 3], [2, 3, 4], [2, 2, 5]]) そのうえで 配列を重ねてできた新しい次元の軸に沿って median をとります 上の表示例だと 縦方向に median をとります 具体的には np.median([ スタックされた配列 ], axis=0) として median の配列を得ます In [26]: meddata = np.median(s1, axis=0) In [27]: print(meddata) [ 2. 2. 4.] average や sum も同様です In [28]: print (np.average(s1, axis=0)) [ 1.66666667 2.33333333 4. ] 4 of 8

course4_numpy In [29]: print (np.sum(s1, axis=0)) [ 5 7 12] axis=0 を省略すると全ての要素について計算します In [30]: print (np.average(s1)) 2.66666666667 2 次元 2 次元の場合も同様です In [31]: a2 = np.array([[1, 2, 1],[20, 21, 13]]) b2 = np.array([[2, 2, 2],[22, 23, 15]]) In [32]: print (a2) print () print (b2) print () print (np.average(np.stack((a2, b2)), axis=0)) [[ 1 2 1] [20 21 13]] [[ 2 2 2] [22 23 15]] [[ 1.5 2. 1.5] [ 21. 22. 14. ]] ( 次に紹介する ) astropy.io.fits で読み込んだ画像の場合も同様にスタックをして median や average をとります np.append() 最初からスタックする配列がそろっていれば上のように np.stack() を使うのが簡単ですが 通常のデータ処理の場合には リストから次々にファイルを読みこんでスタックに追加していくことでより効率よくプログラミングができます 次々にファイルを読み込んでスタックに追加する場合には np.append() を使用します In [33]: s2 = a1[np.newaxis, :] s2 = np.append(s2, b1[np.newaxis, :], axis=0) s2 = np.append(s2, c1[np.newaxis, :], axis=0) In [34]: s2 Out[34]: array([[1, 2, 3], [2, 3, 4], [2, 2, 5]]) 上で求めた s1 と同じですね 5 of 8

course4_numpy 補足 np.empty() ( 直前追加分 ) プログラム中で for ループで回す場合には まず空の ndarray を作っておき そこに追加していくほうが都合のいいことが多いです その場合には np.empty() を使います In [35]: s3 = np.empty((0, 2, 3)) s3 = np.append(s3, a2[np.newaxis, :], axis=0) s3 = np.append(s3, b2[np.newaxis, :], axis=0) In [36]: print (s3) [[[ 1. 2. 1.] [ 20. 21. 13.]] [[ 2. 2. 2.] [ 22. 23. 15.]]] In [37]: print(np.average(s3, axis=0)) [[ 1.5 2. 1.5] [ 21. 22. 14. ]] numpy の関数 (3) ~ テキストデータの読み込み Numpy がなくても Python の標準機能でテキストファイルの読み書きはできますが 数値テーブルであることが分かっていれば numpy.loadtxt() を使ってもっと簡単に読み込み ndarray に保存することができます In [38]: np.set_printoptions(precision=3, suppress=true) # suppress=trueで指数表示禁止 この行は必須ではない In [39]: mlist = np.loadtxt('./sample/result1c.txt') 6 of 8

course4_numpy In [40]: mlist Out[40]: array([[ 1384.487, 706.38, 15.106, 0.03 ], [ 1394.061, 921.854, 15.921, 0.03 ], [ 724.86, 986.57, 14.02, 0.03 ], [ 412.063, 1136.186, 15.182, 0.03 ], [ 1256.533, 1254.923, 18.2, 0.044], [ 325.259, 1710.853, 18.561, 0.056], [ 1214.74, 1913.393, 15.943, 0.03 ], [ 164.208, 2090.797, 19.05, 0.079], [ 1519.869, 2131.413, 18.303, 0.046], [ 755.494, 2207.461, 18.906, 0.068], [ 1609.915, 2403.143, 15.613, 0.03 ], [ 888.608, 2443.525, 19.876, 0.156], [ 2008.147, 2638.538, 14.609, 0.03 ], [ 782.873, 2801.123, 16.506, 0.031], [ 1781.279, 2834.66, 16.999, 0.032], [ 261.98, 2855.986, 11.842, 0.03 ], [ 1841.312, 2952.747, 18.347, 0.05 ], [ 687.466, 3180.978, 12.188, 0.03 ], [ 752.111, 3381.985, 13.814, 0.03 ], [ 1741.726, 4037.847, 19.611, 0.128], [ 1333.792, 4043.156, 11.89, 0.03 ], [ 1791.647, 4044.367, 16.449, 0.031], [ 650.189, 4085.125, 18.226, 0.048]]) In [41]: np.savetxt('result1calib.txt', mlist, fmt='%.3f') numpy.loadtxt() のオプションにて ヘッダ行を無視 区切り文字 ( カンマ区切りやタブ区切り ) どの列を読み込むか などを指定することができます 演習 4 ( 直前追加分 ) (1) 下の二次元配列の演算を numpy を用いて行ってください <img src='./img/ex4-1.png', width='300'> (2) 下の 3 つの二次元配列のメジアンを numpy.stack() と numpy.median() を用いて求めてください <img src='./img /ex4-2.png', width='350'> 補足ブロードキャスティング ある 2 次元配列があるとき そのどちらかの軸の大きさと同じ大きさの 1 次元配列の足し算 引き算をすると もう一つの軸に沿って同じ演算をしてくれます In [42]: data1 = np.array([0, 1, 2]) data2 = np.array([[0, 0, 0], [10, 10, 10], [20, 20, 20], [30, 30, 30]]) In [43]: data2 + data1 Out[43]: array([[ 0, 1, 2], [10, 11, 12], [20, 21, 22], [30, 31, 32]]) 7 of 8

course4_numpy <img src='./img/broadcasting.png', width='500'> In [44]: data3 = np.array([0, 100, 200]) data2 + data3 Out[44]: array([[ 0, 100, 200], [ 10, 110, 210], [ 20, 120, 220], [ 30, 130, 230]]) 次の astropy.io.fits のところで Y 方向に依存したバイアス値を引くケースで使います 補足配列について Python の配列には リストとタプルがあります リストは [ ] で囲まれ変更可能なオブジェクトです タプルは ( ) で囲まれ変更不可能なオブジェクトです In [45]: aa = [1, 2, 3, 4] In [46]: aa[2] = 10 In [47]: aa Out[47]: [1, 2, 10, 4] In [48]: bb = (10, 20, 30, 40) In [49]: bb Out[49]: (10, 20, 30, 40) In [50]: bb[2] = 100 --------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-50-c69fd0eaa82a> in <module>() ----> 1 bb[2] = 100 TypeError: 'tuple' object does not support item assignment タプルの要素を書き換えようとしたら怒られました 8 of 8

course5_iofits 講習 5 --- astropy.io.fits の基本 FITS データの読み書きが可能なモジュールです 元々 pyfits と呼ばれていたものです astropy に吸収されてそちらで統一的に管理されるようです astropy.io.fits の使い方は http://docs.astropy.org/en/stable/io/fits/index.html (http://docs.astropy.org/en/stable/io/fits /index.html) が非常に参考になります 例が多く記載されているのでわかりやすいです PyRAF でも FITS データの読み書きはできるのですが ndarray としてデータを読み出しておくとより自由な処理を行うことができます 例えば IRAF には存在しない統計アルゴリズムを適用する あるいは matplotlib を用いた自由度の高い可視化などです In [1]: from astropy.io import fits まず astropy.io から fits を import しておきます 基本の getdata と getheader まずは簡単なデータ読み出し方法 fits.getdata( ) と fits.getheader( ) です 主にインタラクティブなケースで使われます まずはピクセル値を getdata で ndarray として読み出します In [2]: data = fits.getdata('./data1/supa00317505.fits') # ドームフラットの生データ In [3]: data Out[3]: array([[15798, 15697, 14527,..., 9985, 9981, 9976], [18091, 33233, 30777,..., 9991, 9987, 9978], [15287, 31092, 25091,..., 9986, 9981, 9979],..., [19053, 36375, 25385,..., 10004, 10007, 9997], [16965, 34236, 24216,..., 9998, 10001, 10000], [18178, 32768, 22645,..., 10015, 10008, 10013]], dtype=uint16) ndarray として読み出すので numpy の関数が使えます In [4]: import numpy as np In [5]: np.median(data), np.std(data), np.min(data), np.max(data) Out[5]: (18931.0, 1212.2635026788732, 9681, 38631) オーバースキャンの部分も含めて統計をとっているので 標準偏差 (np.std) が大きな値になっています オーバースキャンの部分を除いて統計をとってみましょう ndarray なので [y, x] の順に範囲を指定します [y_start:y_end, x_start:x_end] のように範囲をしていします 値を省略すると 最初から あるいは 最後まで となります 左右両方を省略すると 全部 です 1 of 6

course5_iofits In [6]: subdata = data[:, :2045] np.median(subdata), np.std(subdata), np.min(subdata), np.max(subdata) Out[6]: (18935.0, 409.56087590112406, 9739, 38594) 上限値と下限値を適切に設定し 3-sigma クリッップすると標準偏差がもう少し小さくなります In [7]: xx = np.where((subdata > 15000) & (subdata < 30000)) med = np.median(subdata[xx]) std = np.std(subdata[xx]) xx = np.where((subdata > med - 3 * std) & (subdata < med + 3 * std)) med = np.median(subdata[xx]) std = np.std(subdata[xx]) print ('{} {:.2f}'.format(med, std)) # format() 関数使ってみた 18934.0 213.65 次に getheader を使って FITS ヘッダを読み出します In [8]: header = fits.getheader('./data1/supa00317505.fits') ここで header あるいは print(header) を cell で実行すると FITS ヘッダの中身が表示されます In [9]: # header # これをすると github では表示が長くなるのでここではコメントアウト 最初の 10 項目だけを表示させます In [10]: header[:10] Out[10]: SIMPLE = T / file does conform to FITS standard BITPIX = 16 / number of bits per data pixel NAXIS = 2 / number of data axes NAXIS1 = 2080 / length of data axis 1 NAXIS2 = 4100 / length of data axis 2 EXTEND = F / FITS dataset may contain extensions BZERO = 32768.0 / offset data range to that of unsigned short BSCALE = 1.0 / default scaling factor BUNIT = 'ADU ' / Unit of original pixel value BLANK = -32768 / Value used for NULL pixels In [11]: Out[11]: header['object'] 'DOMEFLAT' このようにヘッダのキーワードを指定して その値を取り出すことができます [ 小技 ] 実は fits.getdata( ) でヘッダも読み出すことができます 2 of 6

course5_iofits In [12]: tdata, thdr = fits.getdata('./data1/supa00317505.fits', header = True) In [13]: thdr[:10] Out[13]: SIMPLE = T / file does conform to FITS standard BITPIX = 16 / number of bits per data pixel NAXIS = 2 / number of data axes NAXIS1 = 2080 / length of data axis 1 NAXIS2 = 4100 / length of data axis 2 EXTEND = F / FITS dataset may contain extensions BZERO = 32768.0 / offset data range to that of unsigned short BSCALE = 1.0 / default scaling factor BUNIT = 'ADU ' / Unit of original pixel value BLANK = -32768 / Value used for NULL pixels データの加工と書き出し このドームフラット 1 枚を使って フラットを作成しましょう バイアス値が Y 方向に一様とする簡易版で行います ここでは IRAF を使わず numpy を使って行います In [14]: omed = np.median(data[:, 2049:]) # オーバースキャン部分のメジアン imed = np.median(data[:, :2048]) # 光が当たる部分のメジアン data = ( data - omed ) / (imed - omed) # ゲタを引き 規格化 整数データを割り算した結果 浮動小数点数になります デフォルトでは 64 ビットになります In [15]: Out[15]: data.dtype dtype('float64') 無駄にファイルサイズが大きくなるので 32 ビットに変更します In [16]: data = data.astype(np.float32) ヘッダの BITPIX は自動的に変更されます ヘッダの OBJECT の文字列を変更してみます In [17]: header['object'] = 'B_FLAT' ヘッダキーワードの BLANK はデータが整数のときのみ有効です それ以外のときにこの項目があると アプリケーションによっては Warning がでます ここでは削除しておきましょう In [18]: del header['blank'] このデータとヘッダを新しい FITS ファイルに書き出します fits.writeto() を使います 3 of 6

course5_iofits In [19]: fits.writeto('bflatn5pa.fits', data, header) # p for python フラットなんて中間ファイルなので盛りだくさんなヘッダは不要ですよ という時には fits.writeto() の引数の header を省略すると 最低限必要なヘッダを勝手に作ってくれます In [20]: fits.writeto('bflatn5pa_simple.fits', data) 元の FITS ファイルに上書き更新する場合には fits.update( ) を使います In [21]: data = fits.getdata('bflatn5pa.fits') data[:, 2049:] = -999999. # オーバースキャン部の値を負の大きな値にしておく fits.update('bflatn5pa.fits', data, header) fits.getdata( ) や fits.getheader( ) fits.writeto( ) などは簡単で便利 ( これらは astropy.io.fits の中で 'convinience functions' と呼ばれている ) なのですが 効率の悪いことをしています その都度にファイルのオープンとクローズをしています その理由から 一般にプログラムコードの中で FITS ファイルの読み書きをする場合には fits.open() でファイルを開き.header メソッドと.data メソッドを使ってヘッダーとデータを読み取ります ここでは fits.open() の講習は省略します 興味のある人は adc2017python の 1 回目のほうの資料を参照してください 複数枚のドームフラットからフラットを作成 IRAF を使わずに combine します numpy.median(), numpy.append() を使います In [22]: import glob stack = np.empty((0, 4100, 2080)) # 空の配列を作成 for img in glob.glob('./data1/supa003175[0-6]5.fits'): imdata = fits.getdata(img) omed = np.median(imdata[:, 2049:]) imed = np.median(imdata[:, :2048]) imdata = ( imdata - omed ) / (imed - omed) stack = np.append(stack, imdata[np.newaxis, :], axis=0) immed = np.median(stack, axis=0) immed = immed.astype(np.float32) fits.writeto('bflatn5p.fits', immed) ターゲットの生データのバイアス引きとフラット割り target1 の 5 番フレームの生データを IRAF を使わずに astropy.io.fits と numpy で処理してみます 4 of 6

course5_iofits In [23]: imdata = fits.getdata('./data1/supa00317705.fits') flat = fits.getdata('bflatn5p.fits') flat[np.where(flat == 0.0)] = -9999 # 0での割り算を回避 omed = np.median(imdata[:, 2049:]) imdata = ( imdata - omed ) / flat fits.writeto('btarget1n5p.fits', imdata) トリミング オーバースキャン領域はバイアス値の引き算が終わったあとは不要ですね 切り取ってやりましょう In [24]: imdata = fits.getdata('bflatn5p.fits') fits.writeto('bflatn5ptrim.fits', imdata[:, :2048]) 人工的な画像 ピクセル値が全部ゼロの 10 x 10 の FITS ファイルを作り いくつかのピクセルにだけ正の値を与えてやります In [25]: imdata = np.zeros((10, 10), dtype='float32') # 全て 0 の 10x10 の ndarray を作成 imdata[0, 1] = 100. # (x,y)=(1,0) に 100 を代入 x と y が反転していることに注意 imdata[4, 6] = 50. fits.writeto('my10x10.fits', imdata) 出来上がった FITS ファイルを DS9 で見てみましょう そして x と y が反転していることを確かめてください 演習 5 5-1. 上の my10x10.fits を作成し DS9 で見て x と y が反転していることを確かめてください 5-2. astropy.io.fits と numpy を使って以下の処理をしてください (1) './data2/supa003175[0-6]2.fits' から 2 番フレーム用のフラットを作成 (2) './data2/supa00317882.fits' について バイアス引き + フラット割りの処理 (3) trimming して (2) の結果からオーバスキャン部をとりのぞく 補足バイアス値を Y 方向も考慮に入れる (numpy 編 ) numpy を使うと IRAF でやるよりもすっきり書けます まずはフラットを作成します 5 of 6

course5_iofits In [27]: imdata = fits.getdata('./data1/supa00317505.fits') bias = np.median(imdata[:, 2049:], axis=1) # X 軸に沿って median を計算 bias はサイズ 4 100 の 1 次元配列 bias = bias.reshape(4100,1) # ブロードキャスティングできるように整形 imdata = imdata - bias # ブロードキャスティングで引き算 med = np.median(imdata[:, :2045]) imdata = imdata / med imdata = imdata.astype(np.float32) fits.writeto('bflatn5pby.fits', imdata) # ヘッダは生データのものを継承しない 次に 生データもバイアス値の Y 方向依存を考慮して引きます In [31]: flat = fits.getdata('bflatn5pby.fits') flat[np.where(flat==0)] = -9999 tdata = fits.getdata('./data1/supa00317705.fits') bias = np.median(tdata[:, 2049:], axis=1) bias = bias.reshape(4100,1) tdata = tdata - bias tdata = tdata / flat fits.writeto('btarget1n5pby.fits', tdata) 6 of 6

course6_matplotlib 講習 6 matplotlib の基本 matplotlib はデータ可視化のためのパッケージです http://matplotlib.org (http://matplotlib.org) のページの gallery のページには膨大な数のサンプルがあり どんなグラフを作成できるのかを見る事ができます 一度ご覧になるのをお勧めします さらに それぞれのサンプルコードも見る事ができます gallery ページのサンプルは膨大なので 代表的なものだけを取り上げた次のページを見るのがまずはいいかもしれません http://matplotlib.org/users/screenshots.html (http://matplotlib.org /users/screenshots.html) ここでは 光赤外撮像データ解析によく使いそうな ヒストグラム 等級 - エラープロット FITS データの表示の例を紹介します inline 表示 inline 表示にしてやると notebook 内にグラフを表示することができます 下のように宣言しておきます In [1]: %matplotlib inline matplotlib パッケージの中で最もよく使うモジュールは pyplot です matplotlib.pyplot as plt の省略がよく使われます In [2]: import matplotlib.pyplot as plt 測光結果データをグラフ化する 講習 3 で得られた測光結果 result1c.txt には ( 列 1) x 座標 ( 列 2)y 座標 ( 列 3) 等級 ( 列 4) 等級エラーが記されています numpy.loadtxt() を用いてこのデータを読み込みます In [3]: import numpy as np In [4]: mlist = np.loadtxt('result1c.txt') ndarray 形式で読み込まれます array([[x, y, 等級, 等級エラー ], [x, y, 等級, 等級エラー ],... ] ) ここでまずは欲しいのが 各星の等級と等級エラーのペアです このあとグラフ作成時の分かりやすさのために mag と merr を分けて別々の配列にしておきます 下のようにいくつか例を書き出してみると分かると思いますが 2 番目のインデックスが 2 のものが等級で 2 番目のインデックスが 3 のものが等級エラーです In [5]: print (mlist[0,0], mlist[0,1], mlist[0,2], mlist[0,3]) print (mlist[1,0], mlist[1,1], mlist[1,2], mlist[1,3]) print (mlist[2,0], mlist[2,1], mlist[2,2], mlist[2,3]) 1384.487 706.38 15.106 0.0301496268634 1394.061 921.854 15.921 0.0304138126515 724.86 986.57 14.02 0.0300166620396 In [6]: mag = mlist[:, 2] merr = mlist[:, 3] 1 of 11

course6_matplotlib [:, 2] は 2 番目のインデックスが 2 のものを全て取り出すという意味です このようにして 特定の列だけを抽出して mag および merr の配列に保存しておきます In [7]: mag[:10] # 長いので最初の 10 コだけ抽出 Out[7]: array([ 15.106, 15.921, 14.02, 15.182, 18.2, 18.561, 15.943, 19.05, 18.303, 18.906]) 光度関数のヒストグラム まずは何も考えずに等級のヒストグラムを描いてみます plt.hist() を使います In [8]: plt.hist(mag) plt.show() 次に オプションをいくつか加えてみます 2 of 11

course6_matplotlib In [9]: plt.figure(figsize=(7, 5)) # 図のサイズ plt.hist(mag, bins=10, range=(10,20), color='red') 色を指定 plt.xlim(10, 20) # グラフのX 軸の範囲 plt.title('b-band', fontsize=20) plt.xlabel('mag', fontsize=15) plt.ylabel('n', fontsize=15) plt.show() # ビンの数 ヒストグラムの範囲 関数でどんな引数が使えるかを調べたい時には 下のように? をおしりにつけます In [10]: plt.hist? 等級 vs. 等級エラープロット まずは何も考えずにプロット plt.scatter() を使います In [11]: plt.scatter(mag, merr) plt.show() 3 of 11

course6_matplotlib これも いくつかオプションを加えてみます In [12]: plt.figure(figsize=(7, 5)) plt.scatter(mag, merr, marker='+', color='red') plt.xlim(10, 20) plt.xlabel('mag', fontsize=20) plt.ylabel('$\sigma_{mag}$', fontsize=20) # TeX の表記がつかえます plt.show() FITS 画像の表示 FITS 画像を notebook 内に表示します そのためには astropy.io.fits でデータを ndarray として読み込む必要があります In [13]: from astropy.io import fits In [14]: img = fits.getdata('btarget1n5trim.fits') WARNING: VerifyWarning: Invalid 'BLANK' keyword in header. The 'BLANK' keyword is only applicable to integer data, and will be ignored in this HDU. [astropy.i o.fits.hdu.image] IRAF で処理した FITS ヘッダには BLANK というキーワードの行が残ってしいます するとこのような警告が出ます ここでは無視して大丈夫です まずは何も考えずに表示してみます 4 of 11

course6_matplotlib In [15]: plt.figure(figsize=(7, 14)) plt.imshow(img, plt.cm.gray, origin='lower', interpolation='none') plt.show() plt.cm.gray はカラーマップです plt.cm.[ カラーの名前 ] で指定します http://matplotlib.org/examples/color/colormaps_reference.html (http://matplotlib.org/examples/color/colormaps_reference.html) 上のままではよくわかりません 表示レベルをちゃんと設定してやります 講習 3 で btarget1n5trim.fits のバックグラウンドのメジアンが 69 でばらつきが 7.4 であることを求めました これをもとに表示レベルを設定します 5 of 11

course6_matplotlib In [16]: med = 69 std = 7.4 表示レベルの最小と最大 (vmin と vmax) を med - std, および med + 5 std に設定します In [17]: plt.figure(figsize=(7, 14)) plt.imshow(img, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, origin='low er', interpolation='none') plt.show() 6 of 11

course6_matplotlib ここに印をいれてみます result1c.txt の中から最初の二つの星を選んでみます In [18]:! head -2 result1c.txt 1384.487 706.380 15.105999999999998 0.030149626863362672 1394.061 921.854 15.921 0.0304138126514911 原点ピクセルの XY 座標は IRAF では (1, 1) で Python では (0, 0) です なので 下では座標値から 1 を引いてやります In [21]: xcoo = [1383.5, 1393.1] ycoo = [705.4, 920.9] この xcoo, ycoo を plt.scatter() でオーバープロットします xcoo, ycoo のそれぞれの配列から順番にペアがプロットされます 等級 vs 等級エラーのときと同じです plt.scatter() のオプションの s=100 は印の円の大きさです 面積で指定します 半径を倍にしたければ値を 4 倍にします 7 of 11

course6_matplotlib In [22]: plt.figure(figsize=(7, 14)) plt.imshow(img, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, origin='low er', interpolation='none') plt.scatter(xcoo, ycoo, edgecolors='yellow', facecolors='none', s=100) plt.show() 標準星の周辺だけ拡大します plt.xlim() と plt.ylim() が加わっただけです あとは 拡大したので印の大きさも変えました 8 of 11

course6_matplotlib In [24]: plt.figure(figsize=(7, 14)) plt.imshow(img, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, origin='low er', interpolation='none') plt.scatter(xcoo, ycoo, edgecolors='yellow', facecolors='none', s=1000) plt.xlim(1250, 1600) plt.ylim(600, 950) plt.show() せっかくなので 測光した全ての星をプロットします In [25]: xstar = mlist[:, 0] - 1 ystar= mlist[:, 1] -1 9 of 11

course6_matplotlib In [28]: plt.figure(figsize=(7, 14)) plt.imshow(img, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, origin='low er', interpolation='none') plt.scatter(xstar, ystar, edgecolors='yellow', facecolors='none', s=100) plt.show() #plt.savefig('myfig.png') # 上のplt.show() をコメントアウトし この行を実行するとファイルに保存できる 10 of 11

course6_matplotlib 演習 4 演習 3 で行った 'btarget2n5.fits' の測光結果を用いて (1) 光度関数のヒストグラム と 等級 vs 等級エラーのプロット を作成してください (2) FITS 画像を notebook に表示して そこに測光した星をプロットしてください 11 of 11

course7_myscripts 講習 7 --- プログラムの使い回し ~ スクリプト作成等 ここまで jupyter notebook でインタラクティブに処理を行い いろいろなコマンドの使い方 簡単な python のプログラミングを見てきました 次に ひとかたまりのプログラムに汎用性をもたせるという観点で話をすすめます ここでは まず 関数の定義の仕方から始め python スクリプトの作成 コマンドライン引数の使い方 自作モジュールの使い方を説明します 自作関数 ここまでの処理の中で いくつかの処理の かたまり は 読み込むファイル名だけが変わって 繰り返し出てきました そのような かたまり は関数として定義しておくと効率的にコードを作成することができます <img src='./img/def_function.png', width='500'> バックグラウンドのメジアンとノイズを 3 シグマクリップして評価する処理なんていうのは よく使うので関数にしておくと便利です In [1]: import numpy as np from astropy.io import fits In [2]: def getbackground(infits): data = fits.getdata(infits) med = np.median(data) std = np.std(data) for i in range(5): xx = np.where((data > med - 3 * std) & (data < med + 3 * std)) med = np.median(data[xx]) std = np.std(data[xx]) return med, std In [3]: med, std = getbackground('sample/btarget1n5small.fits') print(med, std) 69.3053 7.40289 FITS を表示する処理もよく使うでしょう 関数にしておきます ここでは getbackground( ) も中で使っています In [4]: import matplotlib.pyplot as plt 1 of 5

course7_myscripts In [5]: def showfits(infits): med, std = getbackground(infits) imdata = fits.getdata(infits) plt.figure(figsize=(10, 10)) plt.imshow(imdata, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, orig in='lower', interpolation='none') plt.show() In [6]: showfits('sample/btarget1n5small.fits') python スクリプトを作成 さて notebook から飛び出して python スクリプトを作成しましょう python スクリプトを作成するのは難しいことではありません テキストエディタで セルに書き込んでいた内容を下記ならべ 拡張子が.py のファイルとして保存すればよいのです さらに unix/linux 系ではファイル冒頭に #!/usr/local/bin/python3.5 のように python の path を書き込むのが一般的です 2 of 5

course7_myscripts In [7]: import numpy as np data1 = np.array([0, 1, 2]) data2 = np.array([[0, 0, 0], [10, 10, 10], [20, 20, 20], [30, 30, 30]]) data3 = data2 + data1 print(data3) [[ 0 1 2] [10 11 12] [20 21 22] [30 31 32]] これを mycode.py というファイルに書き込みましょう なんでもお好みのテキストエディタを使ってください あるいは jupyter notebook にはテキストエディタ機能もあります jupyter notebook 起動画面の右上の New > Text File を選ぶと新規テキストファイルの画面になります そのうえで (chmod +x してから ) コマンドラインで実行します あるいは下のように cell からも実行できます In [8]: %run mycode.py [[ 0 1 2] [10 11 12] [20 21 22] [30 31 32]] コマンドライン引数 スクリプトに書き出したのであれば コマンドライン引数も使いたくなります In [9]: targetfits = 'sample/btarget1n5small.fits' In [10]: from astropy.io import fits import numpy as np data = fits.getdata(targetfits) med = np.median(data) std = np.std(data) for i in range(5): xx = np.where((data > med - 3 * std) & (data < med + 3 * std)) med = np.median(data[xx]) std = np.std(data[xx]) print ('{:.2f} {:.2f}'.format(med, std)) 69.33 9.52 69.31 7.56 69.31 7.42 69.31 7.41 69.31 7.40 3 of 5

course7_myscripts ここで targetfits をコマンドライン引数として読み込めれば いろんな FITS ファイルに対してこのプログラムが使えます コマンドライン引数を取り込むには import sys sys.argv を使います コマンドラインに入力された文字列が空白で区切られて リスト sys.argv に格納されます sys.argv[0] はプログラム名そのものです 1 番目の引数は sys.argv[1] です In [11]: cat getbackground.py import sys import numpy as np from astropy.io import fits data = fits.getdata(sys.argv[1]) med = np.median(data) std = np.std(data) for i in range(5): xx = np.where((data > med - 3 * std) & (data < med + 3 * std)) med = np.median(data[xx]) std = np.std(data[xx]) print ('{:.2f} {:.2f}'.format(med, std)) In [12]: %run getbackground.py sample/btarget1n5small.fits 69.33 9.52 69.31 7.56 69.31 7.42 69.31 7.41 69.31 7.40 モジュール作成 よく使う処理を notebook の中で関数として定義して使用するのは楽チンなのですが notebook ファイルを作成するたびに 前の notebook からコピペして使うのはちょっと面倒ですね 頻繁に使う自作の関数はモジュールにしておきましょう /home/nakajima/mypylib/mymodule.py のようなファイルを作成します 必要なモジュールを冒頭で import しておき あとは自前の関数をどんどん書き込んでいけばよいです そして 他のプログラムから使うときには import sys sys.path.append('/home/nakajima/mypylib/') として path を通しておき import mymodule を宣言します mymodule.py の.py は import で呼ぶときには不要です ここでは このディレクトリの中に 'mypylib' というディレクトリを作成し その中に mymodule.py を作りました 4 of 5

course7_myscripts In [13]: cat mypylib/mymodule.py import numpy as np from astropy.io import fits import matplotlib.pyplot as plt def getbackground(infits): data = fits.getdata(infits) med = np.median(data) std = np.std(data) for i in range(5): xx = np.where((data > med - 3 * std) & (data < med + 3 * std)) med = np.median(data[xx]) std = np.std(data[xx]) return med, std def showfits(infits): med, std = getbackground(infits) imdata = fits.getdata(infits) plt.figure(figsize=(10, 10)) plt.imshow(imdata, plt.cm.gray, vmin=med - std, vmax = med + 5 * std, origi n='lower', interpolation='none') plt.show() 次々とこの続きに 自分の関数を書き込んでいけばよいです さて ここの例では次のようにして path を通し In [14]: import sys sys.path.append('./mypylib/') mymodule を import して mymodule.getbackground( ) を使います In [15]: import mymodule In [16]: med, std = mymodule.getbackground('sample/btarget1n5small.fits') print(med, std) 69.3053 7.40289 余談ですが 私は /home/nakajima/mynotebook/ のようなディレクトリを作成し その中に.ipynb ファイルをまとめています データのあるディレクトリには notebook の中で cd で change directory して移動して処理を行います まとまっていると何がいいかというと 検索できるんですね ipynb ファイルは JSON という形式のテキストファイルです grep で検索できます たくさんたまってくると あれどこでやったかなあ なんてこともよくあります 5 of 5

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights 1. はじめて jupyter notebook yas.nakajima edited this page 6 days ago 1 revision jupyter notebookは もともとはipython notebookとよばれていたも をpython 以外 プログラミング言語にも対応すべくグレードアップしたも です julia, python, Rといった最近 データサイエンスなんかで使われているプログラミング言語から文字をとってjupyterという名前が作られました https://github.com/jupyter/jupyter/wiki/jupyter-kernels によると40 以上 プログラミング言語に対応していると ことです もともとipython notebookだった で jupyter notebook ファイル 拡張子は.ipynbになっています jupyter notebook 起動 コマンドラインで jupyter notebook を実行するとデフォルトブラウザ内でjupyter notebookが起動します 下 ような画面がブラウザで表示されます ( 中身が空 ディレクトリで起動すると 下 ように Notebook list emptyと表示されます ) Pages 7 Home 1. はじめて jupyter notebook 2. メモを書き込む ~ markdown 3. 資料 ダウンロードとファイル オープン 4. 参考図書 appendix 1. Mac(ElCapitan 以降 ) へ IRAFインストール appendix 2. Jupyter ってどう発音する? Clone this wiki locally https://github.com/yas-na どこ ディレクトリでも起動しますが ノートブックファイル (.ipynbファイル) を保存する作業ディレクトリや解析したいFITSファイルなど データがあるディレクトリなどがよいでしょう 前者はファイル 整理 管理 観点から 後者はデータへ パスが簡単になるという観点からです 新規ノートブック 作成 右 New からプルダウンメニューで Python3 を選択します

すると下 ような新規ノートブック画面が出現します python と対話してみましょう Cell 中に Python コマンドを入力して [shift]+[enter] します コマンド 入力に対する出力が そ Cell 下に表示されます コマンドが複数行にわたる場合 [enter] で改行します そ Cell を実行する場合には そ Cell をマウスで選択した状態で [shift]+[enter] します こ 対話を保存しましょう 上部 Untitled あたりにマウスカーソルを合わせると 背景がグレイにかわる でクリックし ます ファイル名を入力して Rename ボタンを押します (Jupyter バージョンによっては OK ボタ

ン ) 上部メニューバー 下 フロッピー アイコンを押すと保存です デフォルトでは 2 分おきに自動保存されます ノートブック 終了 上部メニューバー File プルダウンメニュー 一番下 Close and Halt を選んで終了 jupyter を起動したとき 画面に戻ります ちゃんと名前をつけたファイルができていますね ここで ファイル名 リンクをクリックすれば そ ノートブック 実行および編集が可能になります ブラウザを閉じて終了です ターミナルCntrl+Cでjupyter notebook プロセスを終了させます ターミナルを閉じます

Features Business Explore Marketplace Pricing This repository Search yas-nakajima / adc2017python2 Code Issues 1 Pull requests 0 Sign in or Sign up Watch Projects 0 Wiki 0 Star 0 Fork 0 Insights 2. メモを書き込む ~ markdown yas.nakajima edited this page 6 days ago 1 revision マウスのカーソルでCellを選んだうえで jupyter notebookの上部のデフォルトでは Code になっ ているところをMarkdownにすると そのセルに文章を書き込むことができます markdown形式 で文章を書き込めます markdownでは マークアップ言語であるhtmlよりもかなり簡単な表記 Pages 7 Home ルールで 文章に構造を持たせることができます 1. はじめてのjupyter notebook 文章を書き込んだあとで [shift]+[enter]するとmarkdownのルールに従ったレイアウトで表示さ 2. メモを書き込む ~ markdown れます 3. 資料のダウンロードとファイ ルのオープン 4. 参考図書 appendix 1. Mac(ElCapitan以 降)へのIRAFインストール appendix 2. Jupyterってどう発 音するの Clone this wiki locally https://github.com/yas-nakajima/adc2017pyt Clone in Desktop

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights 3. 資料 ダウンロードとファイル オープン yas-nakajima edited this page 23 hours ago 4 revisions 資料 ダウンロード adc2017python2 トップページ 右 緑 [Clone or download] をクリックすると [Download ZIP] を選択できる で そこをクリックしてください するとあなた PC ダウンロードフォルダにzip ファイルがダウンロードされます Pages 7 Home 1. はじめて jupyter notebook 2. メモを書き込む ~ markdown 3. 資料 ダウンロードとファイル オープン 4. 参考図書 appendix 1. Mac(ElCapitan 以降 ) へ IRAFインストール appendix 2. Jupyter ってどう発音する? Clone this wiki locally https://github.com/yas-na そ ZIPファイルを展開するとadc2017python2-masterというフォルダが現れます ( 自動的に展開されてるかもしれません ) そ フォルダを 適宜 どこか フォルダに移動してください そ フォルダ 中に.ipynbファイルなどがあります 圧縮データ 解凍 data1など ディレクトリ 中 FITSファイルはbzip2で圧縮されています adc2017python2-masterにはuncompress.shというシェルスクリプトを用意しています./uncompress.sh を実行すれば全て 圧縮ファイルは解凍されます ファイル オープン (!!GUIで.ipynbファイル アイコンをクリックしてもオープンできません!!) ターミナルでそ adc2017python2-master ディレクトリに移動します そ ディレクトリで jupyter notebook を実行すると jupyter notebookが起動し 下 ような画面が現れます

こ ブラウザ.ipynb リンクをクリックするとファイルを jupyter notebook でオープンできま す 実行や編集が可能になります 2017 GitHub, Inc. Terms Privacy Security Status Help Contact GitHub API Training Shop Blog About

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights 4. 参考図書 yas.nakajima edited this page 6 days ago 1 revision これからPythonを始める であればPython3 系で勉強することを勧めます 2020 年にはPython2 系 サポートが切れるからです 初心者向け Pythonスタートブック出版社 : 技術評論社 ISBN-10: 4774142298 2,678 プログラミング初心者 人向け 変数とは何か 関数とか何か といったレベルからわかりやすい説明があります おそらく こ 講習会 参加者には物足りない内容でしょう 残念ながら Python2 系向けに書かれているが こ 内容であればあまり支障はないでしょう Python3 系へ 改訂が望まれます Pages 7 Home 1. はじめて jupyter notebook 2. メモを書き込む ~ markdown 3. 資料 ダウンロードとファイル オープン 4. 参考図書 appendix 1. Mac(ElCapitan 以降 ) へ IRAFインストール appendix 2. Jupyter ってどう発音する? 中級者向け 実践力を身につける Python 教科書 Clone this wiki locally https://github.com/yas-na 出版社 : マイナビ出版 ISBN-10: 4839960240 2,786 Pythonについて広くカバーしています 内容も整理されています プログラミング経験者あるいはPython 初心者がもう少し勉強しようという場合にオススメ 入門 Python3 出版社 : オライリージャパン ISBN-10: 4873117380 3,996 入門とありますが 中級者 + 向けです 初級者 + から中級者 足元固め 600ページあります 上級者向け 科学技術計算 ため Python 入門出版社 : 技術評論社 ISBN-10: 4774183881 3,456 NumpyやMatplotlibなど 科学計算に使うライブラリについて 記載あり Pythonそ も についても 掘り下げた解説が含まれています リファレンス

Python ライブラリ厳選レシピ出版社 : 技術評論社 ISBN-10: 4774177075 3,110 Pythonには数多く ライブラリが用意されています 自分で関数なんかを作ったあとに なんだ こんな もうあった か! はありがちです 多く ライブラリがサンプルとともに簡潔に紹介されています 2017 GitHub, Inc. Terms Privacy Security Status Help Contact GitHub API Training Shop Blog About

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights appendix 1. Mac(ElCapitan ) IRAF yas.nakajima edited this page 6 days ago 1 revision private installation /Users/myname/!. iraf iraf/iraf mkdir /Users/myname/iraf mkdir /Users/myname/iraf/iraf $. /Users/myname/iraf/iraf iraf.macx.x86_64.tar ( ~/Downloads/ ) cd /Users/myname/iraf/iraf tar xvf ~/Downloads/iraf.macx.x86_64.tar %../install (2 ) sudo -system /Users/myname/.iraf IRAF ~/.bashrc &. source ~/.bashrc unalias mkiraf mkiraf login.cl cl IRAF CL (pyraf /Users/myname/iraf login.cl /Users/myname/iraf iraf ) Pages 7 Home 1. jupyter notebook 2. ~ markdown 3. 4. appendix 1. Mac(ElCapitan ) IRAF appendix 2. Jupyter Clone this wiki locally https://github.com/yas-na Clone in Desktop sudo./install -system /iraf/iraf/ Mac ElCapitan SIP(System Integrity Protection) /usr (/usr/local ) root sudo./install --system /usr /include/iraf.h Mac private installation SIP : 4 unalias mkiraf IRAF mkiraf /Users/myname/iraf/iraf/unix/hlib/mkiraf.csh alias ( alias ) mkiraf.csh iraf set iraf = "/iraf/iraf" /iraf/iraf/ iraf.macx.x86_64.tar mkiraf.csh IRAF /Users/myname/.iraf/bin PATH mkiraf( /Users/myname/iraf/iraf/unix/hlib/mkiraf.sh ) iraf="/users/myname/iraf/iraf/ unalias mkiraf mkiraf /Users/myname/.iraf/bin/mkiraf 2017-07 (El Capitan Sierra )

Features Business Explore Marketplace Pricing This repository Search Sign in or Sign up yas-nakajima / adc2017python2 Watch 0 Star 0 Fork 0 Code Issues 1 Pull requests 0 Projects 0 Wiki Insights appendix 2. Jupyter ってどう発音する? yas-nakajima edited this page 6 days ago 3 revisions どうでもいい話ですが ジュピター? ジュパイター? 私はずっとジュピターとよんできました 木星とまぎらわしいですし Python パイ (py) な でジュパイターがいいような気もします ですが Jupyterを使用しているネイティブはジュピターとよんでいるようです http://youglish.com/search/jupyter 好きなほうでよんでください :) Pages 7 Home 1. はじめて jupyter notebook 2. メモを書き込む ~ markdown 3. 資料 ダウンロードとファイル オープン 4. 参考図書 appendix 1. Mac(ElCapitan 以降 ) へ IRAFインストール appendix 2. Jupyter ってどう発音する? Clone this wiki locally https://github.com/yas-na 2017 GitHub, Inc. Terms Privacy Security Status Help Contact GitHub API Training Shop Blog About